基于细粒度模型的并行蚁群优化算法

蚁群优化算法的研究和应用已取得了不少重要成果,然而在大规模优化应用中还存在搜索时间长的问题,为此研究了一种基于细粒度模型的并行蚁群算法。实验结果表明,该算法与最新的改进算法相比,搜索速度提高数十倍至数百倍以上。     

改进的蚁群算法求解旅行Agent问题

蚁群算法是优化领域中新出现的一种仿生进化算法,该算法具有并行、正反馈和启发式搜索等特点,但搜索时间长、易陷入局部最优解是其突出缺点。旅行Agent问题是一类复杂的组合优化问题,目的在于解决移动Agent 为完成用户指定任务,在不同主机间移动时的迁移策略问题。在蚁群算法的基础上,引入变异运算,并且对蚁群算法的全局和局部更新规则进行改进,引入自适应的信息素挥发系数来提高收敛速度和算法的全局最优解搜索能力,从而使得移动Agent在移动时以最优的效率和最短的时间来完成迁移。仿真结果表明,改进的算法在解的性能和收敛速度上均优于相关算法。     

动态调整路径选择的蚁群优化算法

针对蚁群算法收敛速度慢和存在停滞现象的缺点,提出对比度增强的路径选择规则以增强其全局搜索能力,选择规则加强了对反馈信息的利用,能加快算法的收敛速度,通过信息熵来动态控制对比度增强的方向,在避免算法停滞的同时加快了算法的收敛速度。将改进后的蚁群优化算法与传统的蚁群优化算法进行比较,仿真实验结果表明,改进算法具有较好的稳定性和全局优化性能,且收敛速度较快。     

基于路径交换的求解TSP混合蚁群算法

将蚁群算法与局部搜索优化算法结合，可抑制蚁群算法早熟收敛问题，并能提高蚁群算法的收敛速度。通过建立有效的局部搜索优化算法的参照优化边集，提高其求解质量和效率；引入路径交换策略提高蚁群算法的收敛速度和寻优能力。实验结果表明改进的混合蚁群算法能求解规模在2000个城市以内的旅行商问题的全局最优解。     

一种动态划分的混合连续域蚁群优化算法

连续域蚁群优化算法在处理高维问题时易陷入局部最优,而且收敛速度较慢。针对这些问题,提出了一种改进的连续域蚁群优化算法。该算法将解划分为优解和劣解两部分,并在迭代过程中动态调整优解和劣解的数目。对于优解,利用全局搜索策略进行预处理,这样能提高算法的收敛速度和收敛精度。对于劣解,则利用随机搜索策略进行预处理,这样能扩大搜索范围,增强搜索能力。通过标准测试函数对所提算法进行测试,结果表明改进策略能够有效提高连续域蚁群优化算法的收敛速度并改善解的质量。     

一种基因与蚁群的融合算法研究

蚁群算法具有分布式并行搜索能力，通过信息素的积累和更新收敛于最优路径上，但初期信息素匮乏，收敛较慢。提出一种基因算法与蚁群算法融合的算法，将基因算法加入蚁群算法的每一次迭代中，利用基因算法快速收敛的优点，来加快蚁群系统的收敛速度；且基因算法中的变异机制，有利于提高蚁群算法跳出局部最优的能力。优势互补，实验结果表明该基因蚁群融合算法在寻优能力和收敛速度上都比基因算法和蚁群算法有较大的提高。     

自适应调整挥发系数的逆向蚁群算法

蚁群算法是近几年优化领域中新出现的一种启发式仿生并行智能进化系统。它具有很多优良的性质,但同时也存在一些缺点,如运算过程中收敛速度慢,易出现停滞现象等。基于上述不足提出了一种自适应地调整挥发系数的逆向蚁群算法,在逆向蚁群算法的基础上自适应调整挥发系数ρ,提高了算法的性能,使算法比传统蚁群算法相比不仅更有利于全局寻优而且对其收敛速度有了很大地提高。将该算法用于旅行商问题,模拟计算结果显示该算法具有更强的全局最优解搜索能力,收敛速度上也有很大提高。     

基于改进蚁群算法物流配送路径优化的研究

针对物流配送路径优化问题的特点,提出利用蚁群算法建立数学模型,并对蚁群算法进行了改进。通过局部优化的处理,加快了改进后算法的收敛速度,并提高了全局搜索能力;对信息素的更新方式加以改进,进而提高了蚁群算法的自适应性,使得算法在执行过程中可以根据收敛和进展情况,相应地调整信息残留程度,从而进一步提高收敛速度或全局搜索能力。通过实例计算验证,使用改进后的蚁群算法优化物流配送路径,能够快速并有效地求得问题的最优解。     

基于量子蚁群算法的机器人联盟问题研究

将量子进化算法与蚁群算法思想相融合,提出一种求解机器人联盟问题的量子蚁群算法。为了避免搜索陷入局部最优,采用多种群并行搜索及量子交叉策略,以改善种群信息结构;算法中还设计了一种新的信息素表示方式。仿真实验结果表明,该算法具有较快的收敛速度和全局寻优能力。     

基于人工免疫算法和蚁群算法求解旅行商问题

人工免疫算法具有快速随机的全局搜索能力,但对于系统中的反馈信息利用不足,往往做大量无为的冗余迭代,求解效率低。蚁群算法具有分布式并行全局搜索能力,通过信息素的积累和更新收敛于最优路径上,但初期信息素匮乏,求解速度慢。该文提出一种基于人工免疫算法和蚁群算法的混合算法,采用人工免疫算法生成信息素分布,利用蚁群算法求优化解。将该算法用于求解旅行商问题进行计算机仿真,结果表明,该算法是一种收敛速度和寻优能力都比较好的优化方法。     

一种进化型蚁群算法及其在TSP问题中的检验

蚁群算法是通过模拟蚂蚁觅食而发展出的一种新的启发算法，其收敛速度一直是人们关心的问题。针对蚁群算法的一些不足，提出基于最小生成树的进化型蚁群算法。它利用了最小生成树与最优路径之间的关系限制了蚂蚁在每一个城市的搜寻范围，进化了寻优策略，节省了在不可能构成最优路径的路段上的计算时间，提高了运算速度，克服了以往蚁群算法的计算时间长、精度低的缺点，使得蚁群算法有了显著的提高。计算机仿真结果表明，该文算法改进了标准蚂蚁群算法的效率和计算结果的质量。     

一种引入奖励与惩罚机制的蚁群算法

蚁群算法是一种新型的仿生类算法，大量实验表明该算法具有较强的搜索最优解的能力，但同时与其它进化算法一样存在搜索速度慢，易于陷于局部最优的缺陷。为了克服蚁群算法在这方面的不足，该文通过引入奖励与惩罚机制，在蚂蚁搜索最优解的过程中，根据每次循环后的搜索结果，对蚁群算法中信息素更新的方法进行自适应调整，以达到从可行解中寻求尽可能好的解（满意解）的目的。通过与ACS算法的对比实验表明本算法在搜索速度和性能方面都有更好的效果。     

基于蚁群系统WDM网络受限组播路由算法

通过在蚂蚁选路的概率中加入成本因素，只增加优秀路径上的信息素，实现了对现有蚁群算法的改进，加快了其收敛速度。将改进的蚁群优化算法与分层图相结合，提出了一种构造时延受限的最小代价组播树的并行算法。     

基于栅格模型机器人路径规划的改进蚁群算法

提出了一种静态环境下机器人路径规划的改进蚁群算法.该算法使用栅格法对机器人的工作空间进行建模,通过模拟蚂蚁的觅食行为,采用折返的迭代方式对目标进行搜索;在搜索过程中,以移动方向一定范围内最大信息素和目标引导函数作为启发式因子;此外,根据蚁群算法处理本问题时信息素散播的特点,重构了信息素的更新策略和散播方式.仿真试验结果表明,改进措施使最优路径的寻找快速而高效,即使在障碍物非常复杂的环境下,算法也能迅速地规划出一条最优路径.     

基于参数动态变化和变异的蚁群算法

针对蚁群算法存在求解速度慢、容易出现早熟和停滞现象,提出一种基于参数动态变化和变异的自适应蚁群算法(PDMACS)。将参数分为全局参数和局部参数,对参数的功能进行讨论,设计局部参数q0随蚂蚁求解质量动态变化和全局参数?随平均节点分支数自适应调整的方法提高算法全局搜索能力,并采用一种简单高效的变异算法加快收敛速度。用TSPLIB中的范例进行比较实验,结果表明,与传统算法相比,该算法的求解质量、稳定性以及收敛速度都有所提高。     

基于规模压缩的混合蚁群算法

为了提高蚁群算法处理大规模问题的性能，提出一种基于规模压缩的混合蚁群算法．根据TSP问题的最优解与次优解共享部分路径片断的原理，设计城市压缩算法，减少了TSP问题的城市处理量．在求解过程中，引入最优解的区域特征的概念，采用优化状态转移规则，压缩了解空间．仿真实验结果证明，采用所提出算法得到解的质量和收敛速度都有显著提高．     

动态分阶段蚁群算法及其收敛性分析

为了提高蚁群算法的收敛速度和求解精度，根据仿生优化算法在不同阶段的特点，提出一种改进的蚁群算法．该算法对参数和选择策略进行了分阶段设计，而且参数的分阶段是根据寻优状态动态划分的．通过对蚁群系统马尔科夫过程进行分析，证明了该算法的全局收敛性．针对典型的TSP问题进行仿真对比实验，验证了该算法在速度和精度方面优于传统蚁群算法．     

蚁群算法原理的仿真研究

从蚁群觅食行为受到启发，意大利学者M．Dorigo等人提出了一种新型的模拟进化算法——蚁群算法，初步的研究表明该算法具有极强的鲁棒性和发现较好解的能力。该文通过直接模拟真实蚁群的觅食行为，提出了一种真实蚁群模拟算法(Real Ant Colony Simulating Algorithm，RACSA)，并通过仿真实验对影响蚁群行为的因素(信息素的重要程度、信息素的蒸发系数、蚂蚁数及信息素留存量)进行了研究，其结论对蚁群算法的理论研究和算法实现具有重要的参考价值。     

基于蚁群-遗传算法的物化视图选取策略

将蚁群算法和遗传算法相结合用于物化视图选取问题。利用遗传算法较强的全局搜索能力对蚂蚁每次的搜索结果进行优化改良,并在信息素更新时,同时考虑最优、最差路径上的信息素更新。实验结果表明,该算法不仅提高了解的收敛速度,也成功解决了蚁群算法易“早熟”而引起的停滞现象。     

新型的双种群蚁群算法

基于对蚂蚁种群中兵蚁和工蚁在觅食过程中合作关系的仿生,提出了一种改进型蚁群算法。在该算法中同时存在着兵蚁子种群与工蚁子种群两个种群,两个子种群并行搜索,通过兵蚁的分布来影响到工蚁的移动选择,以取得各蚂蚁子群体中解的多样性和收敛性之间的动态平衡。基于旅行商问题的实验证明,算法具有较好的全局搜索能力和收敛速度。